我的笔记

Expectational_2025_Expectational_Reference_Points_Belief

更新于 2026/7/5

Expectational reference points and belief formation: Field evidence from financial analysts

Unknown (2025), Journal of Economic Behavior & Organization

在 Zotero 中打开

摘要

Research abstract
We test the influence of expectations as reference points in the belief formation of individuals using field data from financial analysts. We explore the premise that deviations from expectations can significantly alter people's perceptions of identical outcomes, thereby affecting their subsequent belief formation. We employ a regression discontinuity design to reveal that analysts whose forecasts were barely exceeded become discontinuously more optimistic than analysts whose forecasts were barely missed, despite having converging prior beliefs and observing the same performance signal about firm earnings. Furthermore, our analyses show that analysts whose forecasts were barely missed update their beliefs more strongly than do analysts whose forecasts were barely exceeded. We contribute to the literature by providing important field evidence indicating that expectations constitute a reference point that influences subsequent belief formation in an environment involving high stakes and expert decision-makers.

Expectational Reference Points and Belief Formation: Field Evidence from Financial Analysts

Meier, Flepp, and Franck (2025), Journal of Economic Behavior and Organization, 229, 106788

一句话总结

金融分析师的预期（expectations）构成参考点，当实际盈利刚好超过或未达预期时，即使信号本质相同，分析师的后续信念更新会出现不连续跳跃和不对称反应。

研究问题

本文要回答什么？ 个体的事前预期（expectations）是否作为参考点（reference points）影响其后续信念的形成？具体而言，当结果刚好超过 vs. 刚好未达预期时，面对本质上相同的绩效信号，个体是否会形成系统性不同的后续信念？

为什么重要？ 行为决策理论长期强调参考依赖（reference dependence）对选择和行为的影响，但对"参考依赖如何影响信息处理和信念形成"的实证研究极为有限。理解这一机制对金融市场、管理决策、消费者行为等领域具有广泛意义——如果专业分析师都受此偏误影响，普通决策者更可能如此。

核心贡献

  1. 视角创新：将参考依赖从"选择与行为"领域拓展到"信念形成与信息处理"领域，提供重要的田野证据（field evidence）。
  2. 方法创新：利用断点回归设计（RDD），巧妙构建准实验情境——当实际EPS刚好高于或低于分析师预测时，信号几乎相同但参考依赖感知不同。
  3. 数据优势：使用I/B/E/S大规模面板数据（1984–2019），样本量近70万观测值，可追踪分析师跨时间、跨公司的信念更新。

维度1：数据来源与实证策略

主数据集：Institutional Brokers' Estimate System (I/B/E/S) 数据库，提供分析师个体层面的季度EPS预测数据。

样本期间：1984–2019年。

样本规模：698,824个分析师-公司-季度观测值（基准RDD回归使用230,830个观测值，限于±5%带宽内）。

数据可得性：作者声明"Data will be made available on request"。

识别策略：断点回归设计（RDD）。驱动变量（running variable）为上季度实际EPS与分析师预测EPS的相对偏差：

Rel.\ Dev.\ Est._{i,j,t-1} = \frac{Actual_{j,t-1} - EPS\ Forecast_{i,j,t-1}}{Actual_{j,t-1}}

当此变量 ≥ 0（实际EPS达到或超过预测），处理指标 Meet or Beat = 1。核心思想：在阈值附近，预测刚好被超过与刚好未达的分析师拥有几乎相同的先验信念、观察到几乎相同的绩效信号，唯一差异在于结果相对于预期的方向。

核心回归方程：

Optimism\ Change_{i,j,t} = \alpha_0 + \beta_1 \times Meet\ or\ Beat_{i,j,t-1} + \gamma_0 \times P_n(Rel.\ Dev.\ Est.) + \gamma_1 \times P_n(Rel.\ Dev.\ Est.) \times Meet\ or\ Beat + Analyst\ Controls + FEs + \varepsilon

固定效应：基准模型使用公司FE + 分析师-年-季度FE；替代规格使用分析师FE、年-季度FE及其组合。

标准误聚类：分析师层面聚类。

内生性讨论：

  • 操纵检验：驱动变量在阈值处存在bunching（分析师准确预测的频率高），但通过排除精确命中观测值、排除接近共识的预测等稳健性检验证明结论不受影响。
  • 盈余管理：公司可能管理盈余以达到/超过预期，但公司无法精确操纵所有个体分析师的预测，因此在分析师-公司层面仍有准随机变异。
  • 自选择：通过协变量平衡检验（balance checks）验证处理组和对照组在可观测特征上无系统差异。
  • 安慰剂检验：在±3%到±15%的虚假断点处均未发现显著不连续性。

维度2：理论框架

理论动机：基于Kahneman and Tversky (1979) 的前景理论和Koszegi and Rabin (2006) 的参考依赖偏好理论。核心论点：个体的事前预期构成参考点，结果相对于预期的偏离方向（超过 vs. 未达）会产生不同的感知。

概念模型：

  • 当结果刚好超过预期→ 产生正面的参考依赖感知 → 后续信念变得更乐观
  • 当结果刚好未达预期→ 产生负面的参考依赖感知 → 后续信念变得更悲观
  • 损失厌恶（loss aversion）预测负面感知的影响更强，因此预期未达时信念调整幅度更大

假说推导：

  • 假说1：预测刚好被超过的分析师，后续预测乐观度的增加应大于预测刚好未达的分析师（断点处存在不连续跳跃）。
  • 假说2：预测刚好未达的分析师的信念调整绝对幅度应大于预测刚好被超过的分析师（不对称更新）。

维度3：核心发现

主要回归结果

Optimism Change（乐观度变化）：

  • Meet or Beat 系数在所有规格中显著为正（+0.120 至 +0.167），表明预测刚好被超过的分析师比刚好未达的分析师，后续预测乐观度增加约0.12–0.17个标准差单位。
  • 效应量约为控制组均值的40%变化。

Absolute Optimism Change（乐观度变化绝对值）：

  • Meet or Beat 系数显著为负（−0.047 至 −0.056），表明预测刚好未达的分析师信念调整幅度更大，存在不对称更新（负面感知引发更强反应）。
  • 信念调整幅度差异约为4.6–5.6个百分点。

异质性分析

文章未进行传统意义的异质性分析（如分组回归），但通过不同固定效应组合和样本限制探索了结果的稳定性。

稳健性检验

  1. Calonico et al. (2014a) 数据驱动RDD：使用最优带宽选择和偏差校正估计量，结论不变（Table 4）。
  2. 带宽敏感性：从±1%到±50%逐步调整带宽，结果在较窄带宽外保持稳健（Figs. 5–6）。
  3. 多项式阶数：基准使用二阶多项式，一阶线性回归结论不变。
  4. 排除精确命中观测：排除66,663个预测精确命中的观测值后结论稳健（Table 5, Panel A）。
  5. 排除接近共识的预测：排除乐观度处于45%–55%区间的观测值后结论稳健（Table 5, Panel B）。
  6. 协变量平衡检验：6个协变量中除 Forecast Age 外均无显著不连续（Table 6）。
  7. 安慰剂断点检验：在±3%至±15%的虚假断点处均无显著效应（Figs. 9–10）。

机制检验

  • 预测误差分析（Table A2）：预测刚好未达的分析师后续预测误差更大，更倾向于做出过度悲观的预测，与参考依赖注意力不对称（reference-dependent inattention）机制一致。
  • 作者讨论了两个可能机制但承认无法完全区分：(1) outcome bias / 结果过度加权；(2) 参考依赖误归因（misattribution of reference-dependent utility）。

维度4：关键变量概览

因变量（Y）

变量 构造方式
Optimism Change Optimism_{i,j,t} - Optimism_{i,j,t-1}，其中 Optimism = \frac{EPS\ Forecast - Consensus}{SD(EPS\ Forecast)}
Absolute Optimism Change $

核心自变量（X）

变量 定义 预期方向
Meet or Beat 若上季度实际EPS ≥ 分析师预测EPS则=1 对Optimism Change为正；对Absolute Optimism Change为负
Rel. Dev. Est. 上季度实际EPS与预测EPS的相对偏差（驱动变量） —

控制变量

Covered Firms（覆盖公司数）、Covered Industries（覆盖行业数）、Exp. Years（从业年限）、Exp. Firm（覆盖该公司年限）、Specialization（是否专注某行业）、Forecast Age（预测至财报发布天数）。

工具变量

无（RDD设计，无需工具变量）。

维度5：局限性

  1. 激励驱动 vs. 认知偏误：无法完全排除结果由准确性以外的激励（如讨好管理层的动机）驱动的可能。
  2. 内生性残余：虽有大量稳健性检验，但无法完全排除分析师或公司自选择进入处理组的可能。
  3. 外部效度：金融分析师属于高度训练的专业人群，结论向普通人群的推广需谨慎，但作者认为若专家都受影响则普通人更可能受影响。
  4. 机制区分不足：无法区分 outcome bias、参考依赖误归因、参考依赖注意力不对称等具体机制。
  5. 未进行去偏干预分析：仅记录现象，未检验哪些因素可缓解该偏误。

维度6：与其他文献的关系

参考依赖理论基础：

  • Kahneman_Tversky_1979_ProspectTheory — 前景理论，参考点和损失厌恶的理论源头
  • Koszegi_Rabin_2006_ReferenceDependent — 期望效用作为参考点的正式模型

参考依赖与信念形成的实验证据：

  • Bushong_GagnonBartsch_2023_ReferenceDependence — 真实努力实验中的参考依赖归因偏误
  • GagnonBartsch_Bushong_2022_MisattributionReferenceDependence — 参考依赖效用误归因的理论模型
  • Kieren_2023_ExpectationFormation — 期望如何塑造投资者预期

不对称信念更新：

  • Ertac_2011_SelfRelevance — 负面反馈引发过度悲观信念
  • Kuhnen_2015_AsymmetricLearning — 损失域中过度悲观的信念更新
  • Barron_2021_BeliefUpdating — 好坏消息不对称更新的综述

金融分析师预测偏误：

  • Hirshleifer_2019_2021_FirstImpression — 分析师预测中的首因效应和启发式偏误
  • Bordalo_2019_2020_2022_Overreaction — 诊断性预期与过度反应
  • Amir_Ganzach_1998_Overreaction — 分析师预测中的过度反应和反应不足

RDD方法论：

  • Calonico_2014_RobustRDD — 偏差校正RDD估计和稳健置信区间
  • Cattaneo_2019_RDD — RDD实践指南

参考点与田野证据：

  • Bartling_2015_ExpectationsReferencePoints — 足球场景中期望作为参考点
  • Allen_2017_ReferenceDependent — 马拉松跑者中的参考依赖偏好
  • Lefgren_2015_OutcomeBias — 体育场景中的结果偏误

维度7：可拓展的研究方向

  1. 其他数据集验证：

    • 可在管理者盈利指引（management guidance）场景中检验——管理者对自身设定目标的达成/未达是否影响后续指引的乐观度
    • 可使用Survey of Professional Forecasters (SPF) 数据检验宏观经济预测中是否存在类似现象
    • 消费者信心调查或消费决策数据可验证非专业人群中的泛化性

  2. 识别策略改进：

    • 利用公司盈余重述（earnings restatements）作为外生冲击，改变"是否达到预期"的状态
    • 可结合分析师注意力数据（如报告发布频率、详细程度）直接检验注意力不对称机制
    • 利用随机化实验（lab-in-the-field）直接操纵预期是否被达到

  3. 未检验的异质性：

    • 分析师经验差异：新手 vs. 资深分析师是否受参考依赖影响程度不同？
    • 公司特征：高/低波动率、高/低分析师覆盖度公司中效应是否异质？
    • 市场状态：牛市 vs. 熊市中参考依赖信念更新是否更强？
    • 预测偏差方向历史：连续多次被超过/未达后的累积效应
    • 去偏因素：哪些分析师特征（如教育背景、机构类型）可减弱该偏误？

关键结论

  1. 预期构成信念形成的参考点：即使面对几乎相同的绩效信号，当结果刚好超过 vs. 刚好未达分析师预期时，后续信念更新存在显著的不连续跳跃——这是标准贝叶斯更新无法解释的，表明参考依赖从"选择"领域延伸到了"信念形成"领域。

  2. 负面参考依赖感知引发更强的信念调整：预测未达（barely missed）的分析师比预测被超过（barely exceeded）的分析师展现出更大幅度的信念调整，与损失厌恶驱动的不对称信息处理一致——这意味着在高风险专业环境中，微小的预期偏离方向差异就能系统性地扭曲后续决策。

🔗 链接到这篇笔记